Gracias por A2A.
Primero centrémonos en qué parte.
El proceso de ciencia de datos o análisis de big data comienza con preguntas comerciales. Las preguntas comerciales a menudo formuladas por expertos en dominios que tienen un conocimiento muy limitado de la ciencia de datos pero una muy buena visión holística de los sistemas, servicios, clientes y productos comerciales. En algún momento, las preguntas pueden ser lo más generales posible para los científicos de datos, como qué se puede hacer para aumentar la venta de algo (reemplazar algo con productos, servicios, etc.). Aquí es donde entra en juego la ciencia de datos como deporte de equipo. La ciencia de datos tiene al menos los siguientes pasos: definir preguntas, comprender las mejores y / o fuentes de datos disponibles, recopilar datos de fuentes de datos, comprender los datos, limpiar los datos, modelar la pregunta (o problema) utilizando una o más técnicas, mida las métricas, presente los resultados y, si es necesario, comience desde el principio. Las técnicas pueden ser cualquier subconjunto (matemáticamente hablando) del siguiente conjunto {aprendizaje automático, aprendizaje estadístico, computación distribuida y algoritmos, computación de alto rendimiento, inteligencia empresarial, inteligencias artificiales, otros}.
- ¿Cuáles son los mejores programas para la Investigación de operaciones en los Estados Unidos?
- ¿Cuáles son algunos buenos institutos de capacitación para aprender big data y análisis de datos en Bangalore?
- ¿Cuál es el estado actual de Julia, el lenguaje de programación?
- Cómo convertirse en un científico de datos en 4-5 meses si no tengo experiencia previa con ningún lenguaje de programación
- Estoy interesado en aprender ciencia de datos, aprendizaje automático y lenguaje R. ¿Cómo debo comenzar para cualquiera de estos cursos?
¡El gran dato para los vendedores significa oportunidad! ¡El término ha existido desde los años 2000! Por otro lado, el concepto de big data y las bases subyacentes han ido evolucionando desde el comienzo de la computación.
Para los especialistas en marketing, ¡los grandes datos para los especialistas en marketing no significan nada nuevo!
Los vendedores (o vendedores inteligentes) necesitan datos sobre productos, servicios, clientes. Los datos sobre productos, clientes y servicios se pueden recopilar de varias fuentes.
Deben tener al menos una idea de la relación entre varios productos, servicios y clientes para sugerir nuevos productos a los clientes que probablemente compren esos productos y servicios. ¿Es algo nuevo?
“¡Datos! ¡Datos! ¡Datos! ”, Gritó con impaciencia. “No puedo hacer ladrillos sin arcilla”. Sherlock Holmes.
La diferencia obvia que los grandes datos hacen para los vendedores (junto con muchas otras personas) es que las fuentes de datos son varios orden de magnitud más grandes que antes.
Mira mi respuesta a ¿Está sobrevalorado Big Data? En https://www.quora.com/Is-big-data-overhyped/answer/Pouria-Amirian
Eso nos lleva a cómo parte de las preguntas. Existe una industria completamente nueva en torno a la recopilación de datos de varias fuentes y / o el análisis de datos a gran escala para encontrar algo útil o significativo. Si necesita datos de Facebook, Twitter, Instagram, todos los periódicos en línea, y la mayoría de las cosas sobre la interacción de los sistemas y la interacción de las personas con los sistemas se pueden comprar en estas empresas. Las industrias utilizan tecnologías de big data y métodos de ciencia de datos para realizar esta tarea.
La enorme valoración de empresas como FaceBook, Amazon y Google se debe en gran medida a la interacción de las personas con sus servicios gratuitos.
Las personas generan una gran cantidad de datos buscando diferentes cosas en la web, publicando en las redes sociales, compartiendo su experiencia, etc.
¿Debe un vendedor comprender los detalles de conceptos como MapReduce, Directed Acyclic Graph o procesamiento masivo en paralelo? ¿Debería saber el vendedor cómo configurar un clúster de Hadoop o utilizar servicios en la nube como HDinsight? ¿El vendedor debe comprender métodos como la factorización de matrices, la descomposición de valores singulares y muchas otras técnicas matemáticas? ¿Debería entender tecnologías como Spark, Hive, HBase, GraphX, Giraphe, Tez, MapReduce e Yarn?
No (si la respuesta es sí, cambiaría mi carrera 🙂).
Como ejemplo, una tarea de marketing común se llama descripción de perfil o comportamiento, que son términos elegantes para recopilar datos sobre productos y clientes.
Espero que la respuesta te ayude.
Perdón por los errores tipográficos, estaba en el tren mientras escribía esta respuesta.